Un processus auto-excité est un processus qui dépend d’une intensité. Afin d’appliquer
l’ap-proche bayésienne sur les PAE, on considère l’intensité du processus pour trouver la densité du
processus considéré. On peut considérer cette densité comme étant une distribution
d’échan-tillonnagef(X|θ). En choisissant une distributiona priorisurθ,π(θ), et en utilisant les travaux
de Robert [62], il s’avère que le point le plus critique et le plus critiquable de l’analyse
bayé-sienne est le choix de la loi a priori. Une fois cette loi a priori connue, l’inférence peut être
conduite en minimisant le coût a posteriori, en calculant les régions de plus forte densité a
posterioriou en intégrant les paramètres pour obtenir la distribution prédictive.
Ainsi, une fois la loia prioridéfinie, on peut déterminer la distribution jointe, la distribution
marginale, la distributiona posteriori et la distribution prédictive. Les paramètres sont ensuite
estimés.
Exemple II.4. –
Insua et al. [69] supposent qu’un nouveau pneumatique de vélo suit un processus de Poisson
homogène de paramètres λ, puisqu’il est supposé ne pas se détériorer pendant un intervalle de
temps[0, T]. Nous supposons de plus que les perforations se produisent de façon aléatoire. Alors,
à chaque événement, w
i, i= 1, . . . , n, lorsque une crevaison se produit dans l’intervalle [0, T],
il est réparé mais celui-ci peut être plus enclins à de nouvelles crevaisons du fait de l’usure. On
ajoute alors µ
iau paramètre du processus de Poisson homogène λ. On obtient un exemple très
II.5 Analyse bayésienne des processus stochastiques
simple d’un processus auto-excité, où sa fonction de vraisemblance est donnée par :
n
Y
i=1
λ+
iX
−1 j=1µ
j
e
−λTP
ni=1−µi(T−wi).
On considère la loi gamma comme une loi a priori pourλ etµ
i, et la loi a posteriori correspond
à une loi conditionnelle par rapport à tous les paramètres et elle appartient à la famille de la
loi gamma.
Chapitre III
Processus de Mino
Ce chapitre a pour objet l’étude d’un processus auto-excité, dont l’intensité dépend
d’une fonction réponse particulière. On s’intéresse au problème de l’estimation des
paramètres. La méthode du maximum de vraisemblance est utilisée et la qualité des
estimations est étudiée sur des données simulées.
1 Introduction
En 2001, Hiroyuki Mino [19] a considéré une intensité d’un processus ponctuel auto-excité
qui dépend seulement du dernier événement, i.e un processus auto-excité de mémoire 1. Il
a estimé les paramètres de cette intensité en utilisant l’algorithme EM par la méthode du
maximum de vraisemblance.
2 Définition
Le processus de Mino est le processus ponctuel auto-excité (PAE){N(t), t≥0}de mémoire
1 [19] dont l’intensité est définie par :
oùh(t) est la fonction :
h(t) = 1 +αe
−βt, t≥0. (III.2)
On a donc :
λ(t) = µ1 +αe
−β(t−wN(t)), avec µ >0 , α≥ −1 et β ≥0. (III.3)
Supposons que l’on observe les sauts du processus dans une fenêtre de longueurT.
Soit w
N(t)la date du N(t)
`emesaut.
Ainsi, on a :
pourt∈[0, w
1],λ(t) =µ(1 +αe
−βt),
pourt∈]w
1, w
2], λ(t) = µ1 +αe
−β(t−w1),
...
pourt∈]w
i−1, w
i],λ(t) =µ1 +αe
−β(t−wi−1),
...
et pour t∈]w
N(T), T], λ(t) =µ1 +αe
−β(t−wN(T)).
Remarques :
• Siα = 0, λ(t) = µet on a un processus de Poisson homogène.
• Siα >0, λ(t) est croissant et on dit que le processus est excité.
• Si−1≤α <0,λ(t) est décroissant et on dit que le processus est inhibé.
Les figures III.1 et III.2 donnent des représentations de l’intensité pour différentes valeurs de
µ, α, β. Ces représentations sont obtenues à partir de simulations de w
1, . . . , w
N(T), dates de
sauts d’occurrence du processus.
III.2 Définition
Figure III.1– Représentation de l’intensité d’un processus excité :α = 1,µ= 100,β = 250
et T = 0.1 ms
Figure III.2– Représentation de l’intensité d’un processus inhibé : α = −0.5, µ = 100,
β = 250 et T = 0.1 ms
Proposition III.1. – Soit un PAE de mémoire 1, d’intensité (III.3) observée du processus
dans une fenêtre [0, C]. Alors les interarrivées T
i, i= 1, . . . , N(C) sont des variables aléatoires
indépendantes identiquement distribuées de loi :
P r(T
i> t) = expn
−µht+α
β
1−e
−βtio. (III.4)
Preuve : D’après le théorème 6.3.4, p. 314, de Snyder & Miller [20] on a :
La probabilité de survie des interarrivées peut s’écrire :
P r[t
n≥T
n|t
1=T
1, . . . , t
n−1=T
n−1]
= P
wn|w1,...,wn−1(T
1+· · ·+T
n|T
1, T +T
2, . . . , T
1+T
2+· · ·+T
n−1).
Comme on a un processus de mémoire 1, d’après le théorème 6.3.3, p. 313 de Snyder & Miller
[20], on obtient :
P r[t
n≥T
n|t
1=T
1, . . . , t
n−1=T
n−1] = P
wn|wn−1(T
1+. . .+T
n|T
1+. . .+T
n−1)
= exp
"
−
Z
T1+...+Tn T1+...+Tn−1λ(µ, n−1;T
1+. . .+T
n−1)dµ
#
.
D’aprés (III.5) et le théorème 6.3.3, p. 313, de Snyder & Miller [20], on obtient :
P r[t
n≥T
n|t
1=T
1, . . . , t
n−1=T
n−1] =exp
"
−
Z
Tn 0f(n−1, λ)dλ
#
,
et donc
P r[t
n≥T
n|t
1=T
1, . . . , t
n−1=T
n−1] =P r[t
n≥T
n].
On en conclut que les interarrivées sont indépendantes.
On a :
P r(T
i> t) = P(N[w
i−1, w
i−1+t] = 0).
Par définition, on a :
P(N(w
i−1, w
i−1+t) = 0) = exp−Z
wi+t wiλ(u)du
= exp
(
−
Z
wi−1+t wi−1µ(1 +αe
−β(u−wi−1))du
)
= exp
(
−µ
t+ α
β
1−e
−βt)
.
III.3 Simulation des interarrivées du processus de Mino
Proposition III.2. – Un processus de Mino est un processus auto-excité de mémoire 1 dont
la densité de la loi de probabilité desduréesinter−arrivées est :
f(t) =µ(1 +αe
−βt) exp
(
−µ
t+α
β
1−e
−βt)
. (III.6)
On se propose dans la suite d’étudier en détails cette loi.
3 Simulation des interarrivées du processus de Mino
Pour simuler les dates de saut du processus, on propose de simuler les interarrivées. On
utilise la méthode d’inversion dont on rappelle le principe ci-dessous.
La méthode d’inversion pour simuler les réalisations d’une variable aléatoire repose sur le
résultat suivant :
Proposition III.3. – Soit Y une variable aléatoire de loi F alors F(Y) est une variable
aléatoire de loi uniforme sur [0,1] et réciproquement.
Preuve :
Supposons Y de loi F et calculons la loi de F(Y). P r(F(Y) ≤ y) = P r(Y ≤ F
−1(y)) =
F(F
−1(y)) =y donc F(Y) est bien une loi uniforme sur [0,1]. Réciproquement, P r(Y ≤y) =
P r(F(Y)≤F(y)) =F(y) si F(Y) suit une loi uniforme sur [0,1] donc Y est de loi F.
Ainsi, pour obtenir une réalisation de Y de loiF, il suffit de tirer u, un nombre entre [0,1]
et de calculer F
−1(u). Dans notre situation, on ne peut calculer F
−1de manière explicite et
F
−1(u) est la solution en t de l’équation :
−log(1µ−u))+t+ α
β(1−e
−βt) = 0, (III.7)
dont on peut approcher la solution par une méthode itérative.
On pose :
φ(t) = logu
µ +t+ α
alors
φ
′(t) = 1 +αe
−βt≥0.
Doncφ(t) est croissante est strictement croissante pour tout α6=−1.
De plus, φ(0) <0 et lim
t→+∞
φ(t) = +∞, donc l’équation III.7 admet une solution unique. Pour
approcher cette solution, on peut appliquer le schéma itératif suivant : Partant d’un valeur
initialet
(0), tant que ||t
(p+1)−t
(p)||> ε, ε étant une valeur fixée arbitrairement petite,
on détermine :
t
(p+1)=t
(p)− φ(t
(p)
)
φ
′(t
(p)).
En général, cet algorithme converge vite.
L’étape d’initialisation peut s’effectuer en approximant 1−e
−βtpar βt.
On résout l’équation :
logu
µ +t(1 +α) = 0,
on obtient :
t
(0)=− logu
µ(1 +α),
Pourα =−1, on pourra prendre −logu
µ .
Alors pour simuler des réalisations d’une variable aléatoire de loi de Mino on utilise l’algorithme
suivant :
1. Génération d’un variable aléatoire uniform U sur [0,1].
2. – si α6=−1,t
1=
−logU µ(1+α),
– sinon,t
1=
−logU µ.
3. On calcule :
– A
i=
logU µ+t
i+
α β(1−e
−βti),
– B
i= 1 +αe
−βti.
III.4 Loi de Mino
4. t
i+1=t
i−
AiBi
.
4 Loi de Mino
Définition III.1. – On dit qu’une variable aléatoire Y suit une loi de Mino de paramètre
(µ, α, β) si et seulement si la densité de sa loi de probabilité est de la forme (III.6) :
f(t) =µ(1 +αe
−βt) exp
(
−µ
t+α
β
1−e
−βt)
µ > 0, β >0, α≥ −1.
On note : Y ∼M ino(µ, α, β).
Dans le document
Inférence statistique sur le processus de Mino
(Page 67-76)